هوش مصنوعی، انقلابی در علم مواد

دانشمندانی که به دنبال حذف دی‌اکسید کربن (CO2) از هوا به روشی پاک و ارزان هستند، مدت‌هاست به چارچوب‌های آلی-فلزی یا MOFs علاقه‌مند بوده‌اند: مولکول‌های اسفنجی عظیمی که می‌توان آن‌ها را به‌طور دقیق مهندسی کرد تا گاز را جذب و سپس به فرمان آزاد کنند.

MOFها که از یون‌های فلزی به هم متصل شده توسط ترکیبات حاوی کربن ساخته شده‌اند، در مجموعه‌ای حیرت‌انگیز از ساختارها با خواص منحصربه‌فرد ظاهر می‌شوند. برای مثال، یک MOF که قادر به جذب CO2 در یک مکان مرطوب در سطح دریا است، ساختاری متفاوت از MOFی خواهد داشت که می‌تواند در آب‌وهوای خشک و ارتفاع بالا عمل کند. غربال کردن میلیاردها احتمال برای یافتن MOF مناسب برای یک کار خاص، تقریباً برای یک شیمیدان انسانی غیرممکن است. اما این وظیفه‌ای ایده‌آل برای یک مدل هوش مصنوعی (AI) است.

یک استارت‌آپ که در حال ساخت چنین سیستمی است، CuspAI نام دارد. این شرکت از مجموعه‌ای از مدل‌های هوش مصنوعی به صورت هماهنگ استفاده می‌کند: برخی آموزش دیده‌اند تا مولکول‌های کاندید با خواص از پیش تعیین‌شده تولید کنند، که سپس به یک مدل بنیادی آموزش‌دیده ویژه برای ارزیابی خواص آن‌ها منتقل می‌شوند. هدف CuspAI صرفاً یافتن یک MOF خوب نیست، بلکه ساخت سیستمی است که بتواند MOF مناسب را برای هر شرایط محیطی ارائه دهد – و از آنجا، نشان دهد که هوش مصنوعی می‌تواند برای مقابله با هر مشکلی در علم مواد به کار رود. باتری‌های بهتر، بیوپلاستیک‌های پاک‌تر، نیمه‌رساناهای قدرتمندتر و حتی ابررساناهای دمای اتاق ممکن است به زودی در دسترس باشند.

این یک رویاپردازی نیست. در یک مقاله کنفرانسی در نوامبر 2024، آیدان تونر-راجرز، دانشجوی دکترای اقتصاد در موسسه فناوری ماساچوست (MIT)، اثرات یک ابزار هوش مصنوعی جدید بر بهره‌وری محققان مواد در یک شرکت آمریکایی بدون نام را تحلیل کرد. به لطف راه‌اندازی مرحله‌ای، که در آن حدود هزار دانشمند در شرکت به سه گروه مجزا برای دسترسی به این ابزار تقسیم شدند، آقای تونر-راجرز توانست معرفی آن را مانند یک آزمایش تصادفی درمان کند و تاثیر آن را تخمین بزند. نتایج چشمگیر بود: 44 درصد افزایش در تعداد مواد کشف‌شده، 17 درصد افزایش در پروتوتایپ‌های محصولی که از آن مواد جدید استفاده می‌کردند و 39 درصد افزایش در تعداد ثبت اختراعات.

تا آنجا که قابل اندازه‌گیری است، آقای تونر-راجرز می‌گوید، نوآوری‌های حاصل نیز به نظر می‌رسید که واقعاً جدیدتر باشند. اختراعات با کمک هوش مصنوعی بیشتر احتمال داشت که از اصطلاحات فنی جدید استفاده کنند و خود مواد ساختارهای فیزیکی ناآشناتری داشتند.

اما آیکه ون ووگت، مهندس شیمی هلندی، خاطرنشان می‌کند که طراحی مواد، چه از مدل‌های هوش مصنوعی استفاده کنید یا نه، همچنان «دردسرساز» است. برخی چالش‌ها فنی هستند، زیرا تولید مواد جدید اغلب به امکانات تولیدی سفارشی نیاز دارد که بتوانند مقادیر زیادی را به سرعت تولید کنند. چالش‌های دیگر مالی هستند، زیرا شرکت‌هایی که بر تحقیق و توسعه اولیه تمرکز دارند، برای تبدیل اکتشافات به سود تلاش می‌کنند.

صنایع دیگر قبلاً این مشکل را حل کرده‌اند. استف ون گریکین، هم‌بنیان‌گذار Cradle، یک آزمایشگاه پروتئین هوش مصنوعی با دفاتری در آمستردام و زوریخ، صنعت داروسازی را به‌عنوان «سرمایه خصوصی با آزمایشگاه‌های متصل» توصیف می‌کند. آزمایش‌های بالینی برای داروهای جدید ممکن است سخت‌گیرانه باشند، اما سرمایه‌گذاری‌هایی را تشویق می‌کنند که ریسک و پاداش را در سراسر صنعت توزیع می‌کنند و منابع را به محققان در خط مقدم بازمی‌گردانند. چنین لوکسی برای دانشمندان مواد وجود ندارد: کسانی که در کسب‌وکار طراحی یک ماده هستند، ناگزیر باید نحوه آزمایش، تولید و فروش آن را نیز کشف کنند.

این موضوع مانع از تلاش CuspAI نشده است. این شرکت امیدوار است یک پلتفرم بسازد که بتواند مواد را به سفارش طراحی کند و آزمایش و تولید را به شرکت‌های بزرگ‌تر با آزمایشگاه‌ها و امکانات تولیدی واگذار کند.

مسابقه MOF

شرکت Orbital Materials مستقر در لندن نیز در حال استفاده از هوش مصنوعی برای ساخت یک MOF است. جاناتان گادوین، محقق سابق در Google DeepMind که این کسب‌وکار را تأسیس کرد، می‌گوید که شرکت مدل خود را از صفر آموزش داده است و از شبیه‌سازی‌های ابررایانه‌ای برای تولید داده‌های آموزشی استفاده کرده است. نتیجه، صدها میلیون تعامل شیمیایی شبیه‌سازی‌شده است که هر یک از چند صد «توکن» تشکیل شده‌اند: نسخه‌های پیشرفته‌ای از واکنش‌های شیمیایی مختصر که یک کتاب درسی دبیرستان را پر می‌کنند. این میزان داده‌های آموزشی، چندین مرتبه کمتر از آنچه برای آموزش یک مدل زبانی بزرگ لازم است، اما آقای گادوین امیدوار است که برای ساخت یک مدل کوچک و کارآمد که بتواند تعاملات شیمیایی را به‌طور دقیق پیش‌بینی کند، کافی باشد.

اما به جای اینکه به‌عنوان یک آزمایشگاه کاملاً مجازی مانند CuspAI عمل کند، که یک هوش مصنوعی بسازد و اکتشافات آن را بفروشد، Orbital آماده است تا دست‌های خود را کثیف کند. مدل بنیادی آن قبلاً تعدادی MOF کاندید را ارائه داده است و Orbital زمان و پول را در آزمایشگاه‌های داخلی و مهندسان شیمی سرمایه‌گذاری کرده است تا تأیید کند که آن‌ها کار می‌کنند و می‌توانند در مقیاس تولید شوند. در دسامبر، این شرکت قراردادی را با Amazon Web Services، یک شرکت هایپراسکلر، اعلام کرد تا یکی از اکتشافات را در یکی از مراکز داده عظیم این شرکت ادغام کند، جایی که گرمای زائد سیستم خنک‌کننده هوا، واکنش شیمیایی را برای جذب CO2 از هوا تأمین می‌کند. هدف، تبدیل مرکز داده به یک مرکز کربن منفی با هزینه 20 سنت در ساعت به ازای هر تراشه است. اگر موفق شود، Orbital یک اختراع تولیدشده توسط هوش مصنوعی را سریع‌تر از هر کسی در صنعت داروسازی به یک محصول کاربردی تبدیل خواهد کرد.

شرکت‌های دیگر در حال تلاش برای خودکارسازی کامل نیاز به آزمایشگاه‌ها هستند. آقای ون ووگت، مهندس شیمی، یکی از آن‌هاست. استارت‌آپ او، VSParticle، چیزی را ارائه می‌دهد که در واقع یک چاپگر سه‌بعدی در مقیاس نانو است: با استفاده از تکنیکی به نام تخلیه جرقه، یک لایه نازک از مواد جدید را یک نانوذره در هر زمان می‌سازد و از یک دستورالعمل منحصربه‌فرد برای هر ماده پیروی می‌کند. چنین لایه‌هایی می‌توانند در باتری‌ها یا به‌عنوان کاتالیزورها استفاده شوند. آقای ون ووگت استدلال می‌کند که اگر به‌طور گسترده‌ای اتخاذ شود، می‌تواند دانشمندان مواد را از کار سخت کشف چگونگی تولید فیزیکی یک کاندید مطلوب نجات دهد. به جای نگرانی در مورد سنتز، آن‌ها می‌توانند به سادگی دستورالعمل را به آزمایشگاه VSParticle ایمیل کنند و منتظر بمانند تا محصول نهایی در یکی از دستگاه‌های تولیدی خودکار شرکت چاپ شود.

خودکارسازی حتی فراتر رفته است. در سال 2023، دانشمندان MIT نشان دادند که یک ربات مجهز به هوش مصنوعی می‌تواند تقریباً 300 رنگ شیمیایی جدید را پیش‌بینی، تولید و تحلیل کند، که منجر به ایجاد 9 رنگ مهندسی‌شده با خواص بسیار مطلوب در تصویربرداری زیست‌پزشکی شد. در سال 2024، گروهی به رهبری محققان دانشگاه تورنتو یک عامل هوش مصنوعی را ارائه دادند که توانست (البته با کمی کمک از انسان‌ها) یک ماده بهره‌برداری (gain material) برای لیزر ایجاد کند که در سطح جهانی پیشرو است.

استفاده از ترکیبی از هوش مصنوعی و رباتیک به‌عنوان میانبری برای سنتز مواد جدید، عظیم خواهد بود، می‌گوید مکس ولینگ، هم‌بنیان‌گذار CuspAI. اما او هشدار می‌دهد که «دستورالعمل‌ها بسیار حساس هستند.» حتی تفاوت‌های جزئی در رطوبت یا کیفیت هوا می‌تواند شانس یک آزمایشگاه برای ساخت محصول مورد نظر را از بین ببرد. این امر برای آزمایشگاه‌های اداره‌شده توسط ربات‌ها حتی بیشتر صادق است، که باعث شده برخی نتایج آن‌ها را زیر سوال ببرند. در سال 2023، محققان در A-Lab، یک آزمایشگاه خودکار در آزمایشگاه ملی لارنس برکلی، ادعا کردند که 41 ماده جدید را با استفاده از داده‌های Google DeepMind و پروژه مواد (Materials Project) پیش‌بینی کرده‌اند. این اعلام چشمگیر بود، اما سؤالاتی در مورد تجزیه و تحلیل مدل، برخی شیمیدان‌ها را به این فکر انداخته که آیا واقعاً مواد جدیدی تولید شده‌اند یا خیر. تیم A-Lab از رویکرد خود دفاع می‌کند.

در حال حاضر، دلیلی برای خوش‌بینی محتاطانه وجود دارد. در نوامبر 2024، شرکت متا، غول فناوری، همکاری با VSParticle و دانشگاه تورنتو را اعلام کرد که بودجه‌ای برای ایجاد، تحلیل و دیجیتالی کردن بیش از 500 الکتروکاتالیست آزمایشی فراهم کرده است – دسته‌ای از مواد که می‌تواند برای تأمین انرژی باتری‌های نسل بعدی حیاتی باشد. لری زیتنیک، مدیر تحقیقات در بخش هوش مصنوعی متا، گفت که مراکز داده بزرگ این شرکت همیشه در ظرفیت کامل کار نمی‌کنند. این امر قدرت محاسباتی اضافی را فراهم کرد که متا توانست آن را به پروژه اهدا کند تا شبیه‌سازی‌های اولیه برای آن الکتروکاتالیست‌ها را ارائه دهد.

برای چاد ادواردز، دیگر بنیان‌گذار CuspAI، بیش از یک ماده جدید جذب کربن در معرض خطر است. اگر شرط‌بندی شرکت او به ثمر بنشیند، فرصتی خواهد بود تا نشان دهد که هوش مصنوعی واقعاً می‌تواند به علم کمک معناداری کند.